基于声振特征区分的SMA优化SVM变压器机械松动识别方法
文档名：基于声振特征区分的SMA优化SVM变压器机械松动识别方法
摘要：基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法.首先依据XGBoost贡献指标化结合粗糙集分析区分MFCC特征显隐性:显性特征对状态识别贡献更高;其次,建立以Focal损失为目标的SMA优化模型,并按显隐性为SVM输入设置权重范围;最后,利用优化后的SVM对变压器实测样本进行训练分析.结果表明,该识别方法平均准确率达98.83%,较仅参数优化SVM的识别准确率提高2.48%,且变异波动小.相比PSO、WOA和GOA算法,SMA算法在特征全局优化和损失收敛性上更突出.此外,该方法还具有一定鲁棒性,引入5%干扰样本后准确率下降在0.3%以内,从而在变压器实际运行环境中具有抗干扰价值.
作者：马宏忠王健杨启帆倪一铭Author：MAHongzhongWANGJianYANGQifanNIYiming
作者单位：河海大学能源与电气学院,江苏南京211100
刊名：电机与控制学报 ISTICEIPKU
Journal：ElectricMachinesandControl
年，卷(期)：2023, 27(10)
分类号：TM41TM407
关键词：梅尔频率倒谱系数分布式梯度增强贡献指标化黏菌算法支持向量机变压器状态识别
Keywords：Melfrequencycepstrumcoefficientextremegradientboostingcontributionindexingslimemouldalgorithmsupportvectormachinetransformerstateidentification
机标分类号：TP391TN912.34TM407
在线出版日期：2023年12月18日
基金项目：国家自然科学基金，国网江苏省电力公司科技项目基于声振特征区分的SMA优化SVM变压器机械松动识别方法[
期刊论文]电机与控制学报--2023, 27(10)马宏忠王健杨启帆倪一铭基于梅尔频率倒谱系数(MFCC)提取的声振特征无法清晰描述变压器信号本身能量分布,应用于变压器机械松动识别时存在准确率不高的局限性,因此提出一种优先进行声振特征区分的变压器故障识别方法.首先依据XGBoost贡献指标化...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于声振特征区分的SMA优化SVM变压器机械松动识别方法SMA-optimized SVM transformer state identification method based on acoustic vibration feature differentiation
基于声振特征区分的SMA优化SVM变压器机械松动识别方法.pdf
页:
[1]